Braindecode：用深度学习解码原始脑电信号的开源工具箱

Braindecode 是一个基于 PyTorch 的开源 Python 工具箱，用于以深度学习模型解码原始电生理脑数据，面向 EEG、ECoG 与 MEG 的分析。

这个工具是什么

Braindecode 是开源的 Python 工具箱，定位为用深度学习模型解码原始电生理脑数据。它面向两类使用者：希望使用深度学习方法的神经科学家，以及希望处理神经生理数据的深度学习研究者。技术基础是 PyTorch，安装前需先安装 PyTorch（无需安装 torchvision）。工具箱包含数据集获取器、数据预处理与可视化工具，以及若干深度学习架构和数据增强的实现，覆盖 EEG、ECoG 和 MEG 分析。项目采用 BSD-3-Clause 许可证，文档发布在 braindecode.org，提供稳定版与开发版；若在科研工作中使用，可按 README 给出的 Zenodo DOI 引用该软件。

核心能力

• 提供数据集获取器，便于获取并组织用于解码分析的脑电数据
• 包含数据预处理与可视化工具，支持对原始电生理信号做分析前处理
• 实现多种深度学习架构，可直接用于 EEG、ECoG 与 MEG 的解码建模
• 提供数据增强实现，用于扩充训练数据以配合深度学习模型训练

科研中的典型用法

• 对原始 EEG 记录做预处理后，用内置深度学习架构训练解码模型，完成分类或回归任务
• 在 ECoG 或 MEG 数据上复用同一套预处理与模型接口，开展跨模态的解码分析
• 结合数据增强与数据集获取器搭建可复现的深度学习解码流程，用于方法比较研究

快速上手

先按 http://pytorch.org/ 安装 PyTorch（无需安装 torchvision）；如需从 MOABB 下载 EEG 数据集，执行 pip install moabb；随后执行 pip install braindecode 安装最新发布版。开发版安装方式参见仓库的贡献指南。入门可查阅 braindecode.org 上的稳定版与开发版文档。

生态与相近工具

同领域可配合 MOABB 使用，Braindecode 的安装说明中即提到通过它下载 EEG 数据集。README 未列举其他相近工具箱，取舍时可依据是否需要基于 PyTorch 的深度学习架构、数据增强与预处理可视化一体化支持来判断。

项目信息

• 仓库：braindecode/braindecode
• 星标：1,310　·　派生：277
• 主要语言：Python
• 许可证：BSD-3-Clause
• 最近提交：2026-09-18
• 项目主页：https://braindecode.org/

本文属于《学科研究工具知识库 · 神经科学》第 9 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。